In der aktuellen Forschung zur simulationsgetriebenen Produktentwicklung wurden Machine Learning Ersatzmodelle (MLS) eingeführt, um herkömmliche Simulationen für Produktanalyse und -validierung zu verbessern oder teilweise zu ersetzen. MLS-Techniken verringern den Rechenaufwand im Vergleich zu herkömmlichen Simulationen erheblich. So kann ein großer Lösungsraum mit geringem Aufwand untersucht werden.

Parallel dazu wächst der Bedarf an Automatisierung in der Produktherstellung, nicht zuletzt aufgrund des demografisch bedingten Fachkräftemangels. In diesem Kontext haben sich Methoden des Design for Automatic Assembly etabliert.

Das Forschungsprojekt EasyMLS kombiniert die Nutzung von MLS und den Bedarf der hybriden Entscheidungsfindung. Die angestrebten Ergebnisse bilden die methodische Grundlage für die Implementierung entsprechender Assistenzfunktionen in CAD- und anderen digitalen Engineering-Tools zur Effizienzsteigerung in der Produktentstehung.

Zie­le des For­schungs­pro­jek­tes

• MLS-Ansätze für die Analyse späterer Produktentstehungsphasen in frühen Entwurfsstadien anwenden
• Die proaktive Reduzierung des Aufwands in späteren Phasen der Produktentwicklung ermöglichen
• Erhebliche Verringerung der Rechenkosten durch die Verwendung von Ersatzmodellen, die eine direkte Rückmeldung in Engineering-Tools ermöglichen
• Eine frühzeitige Vorhersage und Anpassung des Produktes hinsichtlich der Eignung für die automatisierte Montage

Schwer­punk­te des For­schungs­pro­jekts

• Optimierung der räumlichen Anordnung von Produktkomponenten
• Ermöglichung automatisierter Montageansätze durch Anpassung der Montagereihenfolge
• Kombination beider Ansätze zu einem einzigen, schlanken Prozess
• Einbindung des erforschten Prozesses in eine Engineering-Software
• Validierung des Ansatzes anhand eines Elektrolyseurs